联邦学习是一种加密的分布式机器学习技术，它是指参与联邦学习的各用户在不共享本地数据的前提下共建AI模型。其核心是：参与方在本地进行模型训练，然后仅将模型更新部分加密上传到云端，并与其它参与方的模型更新部分进行汇聚整合，形成一个公共的模型，这个公共的模型再由云端下发给各参与方，通过反复的本地训练以及反复的云端整合，最终得到一个更好的AI模型。NAIE联邦学习部署服务基于华为云的计算资源，集成云端联邦中心开发环境，为终端、边缘设备、本地数据中心提供联邦学习环境的平台。
产品优势：
●数据不出局
局点由于数据安全、隐私保护而导致数据不能出本地，形成数据孤岛问题。传统的机器学习无法汇聚完整的训练数据，从而无法训练出较优的模型。联邦学习只利用本地数据进行训练，不交换数据本身，而是用加密方式交换更新的模型参数。
●模型效果提升数据样本在各地分布不均，样本量少的局点，训练得到的AI模型效果较差，AI模型应用的泛化效果没有保障。联邦学习利用设备在不同环境的数据进行模型训练，模型汇集更新后再下发至设备，可以提升模型的泛化能力。
●模型训练效率提升由于边缘计算能力越来越强，分布式训练相对于集中训练，更能提高AI模型生成效率，充分发挥边缘节点的计算资源及计算能力。联邦学习利用终端或边缘设备闲置计算能力进行训练，提升模型个性化适配训练效率，不影响核心业务体验
关注微信
